[发明专利]X线头影图像的关键点检测方法

说明书

本申请的一方面提供了一种计算机执行的X线头影图像的关键点检测方法，它包括：获取X线头影图像；利用经训练的目标检测人工神经网络对所述X线头影图像进行区域划分，得到N个目标区域图像；以及利用N个经训练的关键点检测人工神经网络分别对所述N个目标区域图像进行关键点检测，其中，N为大于等于2的自然数。

技术领域

本申请总体上涉及X线头影图像的关键点检测方法，尤其是利用人工神经网络的X线头影图像的关键点检测方法。

背景技术

X线头影测量是对头部进行投影测量，用于检查颅面生长情况和畸形的重要手段。

当前，X线头影测量方法一般是由专业人员在头影图像上手动标注关键点(例如，鼻根点、耳点等)，然后借助直尺、量角器等工具测量计算相关指标(例如，上下中切牙角、面部高度等)。然而，一方面，手动标注效率低下，另一方面，由于头影测量中关键点数量多且密集，这极大地提高了标注难度，又一方面，标注人员需要接受专业培训才能胜任标注工作，这进一步提高了人工成本。

虽然，目前有人开始尝试利用随机森林等方法自动检测头影关键点，但本申请的发明人发现此类头影关键点检测方法多是利用图像底层特征，鲁棒性较差，只适用于部分特定的场景，而且能够检测的关键点数目较少，因此不适用于复杂多变的医疗场景。

由于X光成像的关系，图片尺寸与真实尺寸存在一定的比例关系，部分测量指标(例如，面部高度)的计算需要该比例关系。在X线头影拍摄过程，患者头颅左侧或者右侧会放置带刻度的测量尺。本申请的发明人意识到，目前的X线头影自动测量方案缺乏对比例尺的计算，仍要求医生手动计算或估计比例尺，效率较低。

鉴于以上，有必要提供一种新的X线头影测量方法。

发明内容

本申请的一方面提供了一种计算机执行的X线头影图像的关键点检测方法，它包括：获取X线头影图像；利用经训练的目标检测人工神经网络对所述X线头影图像进行区域划分，得到N个目标区域图像；以及利用N个经训练的关键点检测人工神经网络分别对所述N个目标区域图像进行关键点检测，其中，N为大于等于2的自然数。

在一些实施方式中，所述N个目标区域包括：头颅核心区域、嘴唇、牙齿、下颌以及颈椎五个目标区域。

在一些实施方式中，所述N个目标区域包括测量尺目标区域。

在一些实施方式中，对于所述N个目标区域图像中除了所述测量尺目标区域图像之外的其他目标区域图像，对应的关键点检测人工神经网络针对每一关键点产生一张热力图，对于所述测量尺目标区域图像，对应的关键点检测人工神经网络仅产生一张包括多个关键点的热力图，其中，所述测量尺目标区域图像的关键点与所述测量尺的显著刻度相对应。

在一些实施方式中，所述计算机执行的X线头影图像的关键点检测方法还包括：基于所述测量尺目标区域图像的关键点以及其他目标区域之一的尺寸确定比例尺。

在一些实施方式中，所述N个目标区域还包括头颅核心区域，所述比例尺是基于所述测量尺目标区域图像的关键点以及所述头颅核心区域图像的宽度确定。

在一些实施方式中，所述计算机执行的X线头影图像的关键点检测方法还包括：基于除了所述测量尺目标区域之外的其他目标区域的关键点以及所述比例尺计算医学测量指标。

在一些实施方式中，所述计算机执行的X线头影图像的关键点检测方法还包括：对于在所述N个目标区域图像中的至少两个中检测出的同一关键点，基于两次检测得到的坐标计算其最终坐标。

在一些实施方式中，所述计算机执行的X线头影图像的关键点检测方法还包括：对于在所述N个目标区域图像中的至少两个中检测出的同一关键点，基于两次检测得到的坐标计算平均值，作为其最终坐标。

在一些实施方式中，所述目标检测人工神经网络是YOLOv3网络。